T.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ HAPLOİD VE DİPLOİD MISIR TOHUMLARININ İMGE ANALİZİ VE MAKİNE ÖĞRENME ALGORİTMALARI KULLANILARAK SINIFLANDIRILMASI Yahya ALTUNTAŞ YÜKSEK LİSANS TEZİ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Ağustos 2018

(1)

T.C.

İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

HAPLOİD VE DİPLOİD MISIR TOHUMLARININ İMGE ANALİZİ VE MAKİNE ÖĞRENME ALGORİTMALARI

KULLANILARAK SINIFLANDIRILMASI

Yahya ALTUNTAŞ

YÜKSEK LİSANS TEZİ

BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI

Ağustos 2018

(2)

Tezin Başlığı : Haploid ve Diploid Mısır Tohumlarının İmge Analizi ve Makine Öğrenme Algoritmaları Kullanılarak Sınıflandırılması

Tezi Hazırlayan : Yahya Altuntaş Sınav Tarihi : 09.07.2018

Yukarıda adı geçen tez jürimizce değerlendirilerek Bilgisayar Mühendisliği Ana Bilim Dalında Yüksek Lisans Tezi olarak kabul edilmiştir.

Sınav Jüri Üyeleri

Tez Danışmanı : Dr.Öğr.Üyesi A. Fatih KOCAMAZ

İnönü Üniversitesi ………

Doç.Dr. Fatih TALU İnönü Üniversitesi

………

Prof.Dr. Abdulkadir ŞENGÜR

Fırat Üniversitesi ………

Prof.Dr. Halil İbrahim ADIGÜZEL Enstitü Müdürü

(3)

ONUR SÖZÜ

Yüksek Lisans Tezi olarak sunduğum “Haploid ve Diploid Mısır Tohumlarının İmge Analizi ve Makine Öğrenme Algoritmaları Kullanılarak Sınıflandırılması” başlıklı bu çalışmanın bilimsel ahlak ve geleneklere aykırı düşecek bir yardıma başvurmaksızın tarafımdan yazıldığını ve yararlandığım bütün kaynakların, hem metin içinde hem de kaynakça yöntemine uygun biçimde gösterilenlerden oluştuğunu belirtir, bunu onurumla doğrularım.

Yahya ALTUNTAŞ

(4)

i

ÖZET

Yüksek Lisans Tezi

HAPLOİD VE DİPLOİD MISIR TOHUMLARININ İMGE ANALİZİ VE MAKİNE ÖĞRENME ALGORİTMALARI KULLANILARAK SINIFLANDIRILMASI

Yahya ALTUNTAŞ

İnönü Üniversitesi Fen Bilimleri Enstitüsü

Bilgisayar Mühendisliği Anabilim Dalı 59+ix sayfa

2018

Danışman: Dr.Öğr.Üyesi A. Fatih KOCAMAZ

Katlanmış haploid bitkiler günümüzde gelişmiş mısır ıslah programlarında yaygın olarak kullanılmaktadır. Bu teknik ıslah süresini kısaltmakta ve ıslahın etkinliğini arttırmaktadır. Bu ıslah tekniğinde önemli işlerden biri haploid tohumların seçimidir. Haploid tohumların seçiminde en yaygın yöntem R1-nj renk markörüdür.

Bu seçimin elle yapılıyor olması seçim başarımını azaltmakta, zaman ve emek kaybına sebep olmaktadır. Bu nedenle seçim başarımını arttıracak, zaman ve emek tasarrufu sağlayacak otomatik seçim yöntemlerinin geliştirilmesi bir ihtiyaç haline gelmiştir.

Bu tez çalışmasında, R1-nj renk markörüne göre haploid ve diploid mısır tohumlarını imge analizi ve makine öğrenme algoritmaları kullanarak sınıflandıracak bir yöntem önerilmiştir. Tez çalışması kapsamında iki ayrı veri seti oluşturulmuştur.

Öznitelik vektörü olarak 8, 16 ve 32 renk ölçekli gri seviyeli renk histogramları, renk momentleri ve doku öznitelikleri kullanılmıştır. Öznitelikler karar ağacı, k-en yakın komşu, destek vektör makinesi ve yapay sinir ağı yöntemleri ile sınıflandırılmıştır.

Sınıflandırıcı başarımı 10-katlı çapraz doğrulama yöntemi ile sınanmıştır. En iyi performans, k-en yakın komşu sınıflandırma yöntemi ile renk momentleri öznitelikleri kullanılarak %90,39 doğruluk oranıyla elde edilmiştir.

ANAHTAR KELİMELER: haploid tanıma, sınıflandırma, imge analizi, renk histogramları, renk momentleri

(5)

ii

ABSTRACT

Master Thesis

CLASSIFICATION OF HAPLOID AND DIPLOID MAIZE SEEDS BY USING IMAGE ANALYSIS AND MACHINE LEARNING ALGORITHMS

Yahya ALTUNTAŞ

İnönü University

Graduate School of Natural and Applied Sciences Department of Computer Engineering

59+ix pages

2018

Supervisor: Asst.Prof. A. Fatih KOCAMAZ

Doubled haploids is now widely used in advanced maize breeding programs.

This technique shortens the breeding period and increases the efficiency of breeding.

One of the important processes in this breeding technique is the selection of haploid seeds. The most common method of selecting haploid seeds is the R1-nj color marker.

The fact that this selection is performed manually reduces the selection success and causes time and labor loss. For this reason, it has become a need to develop automatic selection methods that will save time and labor and increase selection success.

In this thesis, a method is proposed to classify haploid and diploid maize seeds using image analysis and machine learning algorithms according to the R1-nj color marker. Within the scope of the thesis study, two separate datasets were created. As the feature vectors; 8, 16 and 32 bin grayscale color histograms, color moments and texture features were used. The obtained feature vectors is classified by decision tree, k-nearest neighbors, support vector machine and artificial neural network. The classifier performance was tested by a 10-fold cross-validation method. Best performance has been obtained with 90.39% accuracy rate by using the color moments features with the k-nearest neighbor classification method.

KEYWORDS: haploid identification, classification, image analysis, color histograms, color moments

(6)

iii

TEŞEKKÜR

Tez çalışmamın her aşamasında gerek bilgi ve tecrübesiyle, gerekse samimi ve insani yönüyle desteklerini esirgemeyen tez danışmanım Dr. Öğr. Üyesi Adnan Fatih KOCAMAZ’a;

Tezimin düzenlenmesi aşamasında yardımlarını esirgemeyen değerli arkadaşlarım Bitlis Eren Üniversitesi Dr. Öğr. Üyesi Zafer CÖMERT, İnönü Üniversitesi Öğr. Gör. Emrah DÖNMEZ, Bilgisayar Mühendisi Serdar ALASU ve Muş Alparslan Üniversitesi Arş. Gör. M. Murat TURHAN’a;

Veri setlerimizi temin ettiğimiz Sakarya Mısır Araştırma Enstitüsü Müdürlüğü ve veri setlerinin hazırlanmasında değerli destekleri için Dr. Rahime Cengiz ve Dr.

Mesut Esmeray’a;

Ayrıca bu süreçte sabır ve anlayışından ötürü, her zaman yanımda olan sevgili eşim Meryem ALTUNTAŞ’a ve tüm aileme ve dostlarıma teşekkür ederim.

(7)

iv

İÇİNDEKİLER

ÖZET ... i

ABSTRACT ... ii

TEŞEKKÜR ... iii

İÇİNDEKİLER ... iv

SİMGELER VE KISALTMALAR ... vi

ŞEKİLLER DİZİNİ ... vii

ÇİZELGELER DİZİNİ ... ix

1. GİRİŞ ... 1

1.1. Haploid Bitki Elde Etme Yöntemleri ... 1

1.2. In Vivo Maternal Haploid Tekniği ... 2

1.3. Haploid Seçimi ... 2

2. İLİŞKİLİ ÇALIŞMALAR ... 6

3. MATERYAL ve YÖNTEM ... 11

3.1. Veri Setleri ... 12

3.1.1. Mısır tohumları ... 12

3.1.2. Görüntülerin elde edilmesi ... 15

3.1.3. Mısır tohumlarının imgeden bölütlenmesi ... 17

3.2. Embriyo Bölütleme ... 19

3.3. Öznitelik Çıkarımı ... 21

3.3.1. Renk histogramları ... 22

3.3.2. Renk momentleri ... 28

3.3.3. Gri seviyeli eş oluşum matrisi... 30

3.4. Sınıflandırma ... 33

3.4.1. Karar Ağaçları ... 34

3.4.2. k-en yakın komşuluk ... 35

(8)

v

3.4.3. Destek vektör makinaları ... 36

3.4.4. Yapay sinir ağları ... 37

3.5. Performans Ölçümleri ... 39

3.5.1. k-Katlı Çapraz Doğrulama ... 39

3.5.2. Hata Matrisi ve Performans Metrikleri ... 40

3.5.3. AİK Eğrileri ... 42

4. ARAŞTIRMA BULGULARI ... 44

4.1. Sınıflandırma Sonuçları ... 44

4.1.1. Renk histogramları ... 44

4.1.2. Renk momentleri ... 49

4.1.3. Doku öznitelikleri ... 51

5. TARTIŞMA VE SONUÇ ... 53

KAYNAKLAR ... 56

ÖZGEÇMİŞ... 59

(9)

vi

SİMGELER VE KISALTMALAR

AİK Alıcı işletim karakteristiği

AİK-AKA Alıcı işletim karakteristiği altında kalan alan

DVM Destek vektör makineleri

FAO Gıda ve Tarım Örgütü

GSEM Gri seviyeli eş oluşum matrisi

KA Karar ağaçları

k-EK k-En yakın komşuluk

KH Katlanmış haploid

KH2016 Katlanmış haploid 2016 veri seti KH2017 Katlanmış haploid 2017 veri seti TÜİK Türkiye İstatistik Kurumu

YSA Yapay sinir ağları

(10)

vii

ŞEKİLLER DİZİNİ

Şekil 1.1 In vivo maternal haploid melezlemesinden elde edilebilinecek

tohumlar………... 3

Şekil 1.2 (a) Haploid ve (b) diploid mısır tohumlarında R1-nj renklenmesi 4 Şekil 3.1 Yapılan çalışmaların genel akış şeması………. 11

Şekil 3.2 Görüntüleme düzeneği………... 15

Şekil 3.3 KH2016 veri seti ham görüntü örneği………... 16

Şekil 3.4 KH2017 veri seti ham görüntü örneği………... 16

Şekil 3.5 Mısır tohumlarının imgeden bölütlenmesi aşamaları……… 18

Şekil 3.6 KH2016 veri setine ait (a) haploid ve (b) diploid mısır tohum örnekleri………. 19

Şekil 3.7 KH2017 veri setine ait (a) haploid ve (b) diploid mısır tohum örnekleri………. 19

Şekil 3.8 Endospermde R1-nj renklenmesi………... 20

Şekil 3.9 Tohum kütle merkezi ve öznitelik çıkarımı yapılan bölge……… 21

Şekil 3.10 Diploid tohum örneğinde öznitelik çıkartılan bölge ve renk histogramı……….. 23

Şekil 3.11 Haploid tohum örneğinde öznitelik çıkartılan bölge ve renk histogramı……….. 23

Şekil 3.12 Referans ve komşu pikseller arasındaki açısal ilişki………. 31

Şekil 3.13 GSEM oluşturulması………. 31

Şekil 3.14 Karar ağacı modeli……… 34

Şekil 3.15 DVM modeli………. 36

Şekil 3.16 Çok katmanlı örnek bir yapay sinir ağı………. 38

Şekil 3.17 k-katlı çapraz doğrulama………... 40

Şekil 3.18 Hata matrisi………... 41

Şekil 4.1 KH2016 veri seti 8 renk ölçekli gri seviyeli renk histogramı öznitelik vektörünün sınıflandırıcı AİK eğrileri……… 45

Şekil 4.7 KH2016 veri seti renk momentleri öznitelik vektörünün sınıflandırıcı AİK eğrileri……….. 50

(11)

viii

Şekil 4.8 KH2017 veri seti renk momentleri öznitelik vektörünün

sınıflandırıcı AİK eğrileri……….. 50 Şekil 4.9 KH2016 veri seti doku öznitelik vektörünün sınıflandırıcı AİK

eğrileri……… 52 Şekil 4.10 KH2017 veri seti doku öznitelik vektörünün sınıflandırıcı AİK

eğrileri……… 52 Şekil 5.1 Yanlış sınıflandırılmış (a) haploid ve (b) diploid mısır tohum

örnekleri………. 54

(12)

ix

ÇİZELGELER DİZİNİ

Çizelge 3.1 KH2016 verisetinde kullanılan donör genotipler……….. 13 Çizelge 3.2 KH2017 verisetinde kullanılan donör genotipler……….. 14 Çizelge 3.3 KH2016 veri seti 8 renk ölçekli gri seviye renk histogram

özniteliklerinin aldığı değerler……….. 24 Çizelge 3.4 KH2017 veri seti 8 renk ölçekli gri seviye renk histogram

özniteliklerinin aldığı değerler……….. 27 Çizelge 3.9 KH2016 veri seti renk momentleri özniteliklerinin aldığı

değerler………... 29 Çizelge 3.10 KH2017 veri seti renk momentleri özniteliklerinin aldığı

değerler………... 30 Çizelge 3.11 KH2016 veri seti doku özniteliklerinin aldığı değerler……… 33 Çizelge 3.12 KH2017 veri seti doku özniteliklerinin aldığı değerler…….... 33 Çizelge 4.1 Değerlendirme metrikleri……….. 44 Çizelge 4.2 8 renk ölçekli gri seviyeli renk histogramı sınıflandırma

sonuçları……… 45 Çizelge 4.3 16 renk ölçekli gri seviyeli renk histogramı sınıflandırma

sonuçları……… 46 Çizelge 4.4 32 renk ölçekli gri seviyeli renk histogramı sınıflandırma

sonuçları……… 48 Çizelge 4.5 Renk momentleri öznitelik vektörü sınıflandırma sonuçları…. 49 Çizelge 4.6 Doku öznitelik vektörü sınıflandırma sonuçları……… 51

(13)

1

1. GİRİŞ

Mısır (Zea mays L.) gerek insan ve hayvan beslenmesinde, gerekse sanayide kullanılan önemli bir bitkidir. Orta Amerika ve Sahra Altı Afrika’sında bir milyardan fazla insanın temel gıdasıdır [1]. Gıda ve Tarım Örgütü (FAO) 2016 verilerine göre dünya mısır üretim miktarı 1.060.107.470 ton ile şeker kamışı üretiminden sonra ikinci sırada gelmektedir [2]. Türkiye İstatistik Kurumu (TÜİK) 2017 verilerine göre Türkiye silajlık ve dane mısır üretim miktarı 29.052.841 ton ile ilk sırada yer almaktadır [3].

Artan dünya nüfusu ve iklim değişiklikleri yüksek verimli, biyotik ve abiyotik strese dayanıklı yeni çeşitlerin geliştirilmesini zorunlu hale getirmiştir. Aranan özelliklerde yeni çeşitler geliştirmek ancak mısır ıslah programlarıyla mümkün olabilmektedir. Mısır ıslah çalışmaları ile talep edilen özelliklerde yeni çeşitler geliştirmek amaçlanmaktadır.

Mısır ıslah programlarında temel aşama melez genotiplere ebeveyn olabilecek saf hatların geliştirilmesidir. Geleneksel ıslah çalışmalarıyla bu saf hatların elde edilmesi 6-7 yıl sürmektedir. Bu sürenin sonunda ancak %99 homozigotluk düzeyine ulaşılabilmektedir. Bu sürenin kısaltılmasında haploid bitki elde etme teknikleri önemli avantajlar sağlamaktadır [4]. % 100 homozigot ve homojen hatların hızlı gelişimi, katlanmış haploid (KH) hatlarının geliştirilmesi ile gerçekleştirilmektedir [5].

İlk haploid mısır bitkileri Stadler ve Randolph (1929 ve 1932) tarafından tanımlanmıştır. Yaklaşık yirmi yıl sonra, Chase (1947), Amerika mısır kuşağı materyallerinde düşük oranda (1/1000) haploidler bulmuştur. Daha sonraları kromozom ikiye katlama maddesi olarak kolhisin, ve in vivo haploid indirgeme için uygun spesifik genotiplerin saptanmasıyla haploid bitkilerin melez ıslah programlarında kullanımı yaygınlaşmıştır. Bu gelişmeler son yirmi yılda in vivo maternal haploid sistemi kullanarak hat geliştirmede önemli bir artışa yol açmıştır [5].

1.1. Haploid Bitki Elde Etme Yöntemleri

Haploid bitkiler “in vitro” ve “in vivo” olarak elde edilebilmektedir. In vitro haploid bitki elde etme teknikleri laboratuar şartlarında uygulanmaktadır. Ancak, in vitro uygulamalarında genotip etkisi sebebiyle arzu edilen düzeyde haploid bitki elde edilememektedir [4].

(14)

2

Ticari olarak geliştirilen mevcut katlanmış hatların birçoğunun in vivo haploid tekniği ile elde edildiği, diğer tekniklerin ise katlanmış hat geliştirmede daha az etkili olduğu bildirilmektedir [5]. In vivo haploid bitki elde etme tekniğinde indirgeyici hat olarak adlandırılan hatlar kullanılmaktadır. In vivo tekniğinde indirgeyici hatlar tozlayıcı olarak kullanılmakta ve toz verdiği bitkinin koçanlarında haploid olan tohumların oluşmasına imkan vermektedir. Doğada çok düşük frekansta (1/1000) [5]

bulunan haploidler, indirgeyici hatlar kullanılarak daha yüksek frekanslarda elde edilebilmektedir. İndirgeyici hattın tozlayıcı olarak kullanıldığı yönteme maternal haploidi, toz alıcı olarak kullanıldığı yönteme paternal haploidi adı verilmektedir.

Maternal haploid yöntemiyle, paternal haploid yöntemine göre elde edilen haploid oranı daha yüksek olmaktadır [6]. In vivo maternal haploid tekniği ile haploid bitki elde etme başarısı kullanılan indirgeyici hattın özelliklerine göre değişmekle birlikte

%2-15 arasındadır [7]. In vivo maternal haploid tekniği yüksek haploid bitki elde etme başarısı nedeniyle en yaygın kullanılan tekniktir.

1.2. In Vivo Maternal Haploid Tekniği

In vivo maternal haploid tekniğinde indirgeyici hat ile donör bitki melezlenir ve haploidler üretilir. Melezleme sonucunda elde edilen haploid ve diploid bireyler ayrıştırılır. Son olarak, haploid bitkiler, kromozom sayısını ikiye katlamak için kolhisin ile muamele edilir. Kolhisin ile muamele edilmiş haploidler kendilenerek nihai %100 homozigotlukta KH hatlar elde edilir.

Kolhisin muamelesinin sadece donör bitkinin kromozomlarını içeren haploidlere uygulanması gerekir. Çünkü diploidler hem donör hem de tozlayıcı bitkilerin kromozomlarını içerir ve 2n kromozoma sahiptirler. Tohum döneminde haploidlerin diploidlerden ayrılması; suni kromozom katlamasına izin vermek, maliyeti düşürmek, işçiliği azaltmak, sera çalışmalarını ve tarla alanını azaltmak gibi avantajlar sağlar [8].

1.3. Haploid Seçimi

Haploid ve diploid mısır tohumlarının embriyo ağırlıkları arasındaki fark [9]

ve farklı yağ içeriği düzeyleriyle [10] sınıflandırma çalışmaları yapılsa da, en yaygın ve başarılı biçimde kullanılan seçilebilir işaretleyici R1-Navajo (R1-nj) renk markörüdür. R1-nj renk markörü ilk olarak Nanda and Chase [11] tarafından

(15)

3

kullanılmıştır. İndirgeyici (tozlayıcı) hattın sahip olduğu baskın bir gen olan R1-nj embriyo ve endospermde mor-kırmızı renklenme olarak gözlemlenir. Haploid bitkiler tek n kromozomlu embriyoya sahiptirler ve sadece anne ebeveynin kromozomlarını taşıdıkları için embriyolarında R1-nj renklenmesi gözlenmez. Bu sayede, R1-nj renk markörü haploid ve diploid tohumların görsel sınıflandırmasına izin verir.

In vivo maternal haploid indüksiyondan elde edilen tohumların embriyo ve endospermlerindeki renk durumu üç şekilde ortaya çıkabilir. Embriyo ve endospermde renklenme olmayan tohumların kontamine oldukları varsayılır ve melez dışı olarak isimlendirilirler. Hem embriyo hem de endosperminde kırmızı-mor renklenme gözlemlenen tohumlar hem donör hem de indirgeyici hattın kromozomlarını içerdiklerinden 2n kromozoma sahiptirler ve diploid olarak isimlendirilirler.

Endospermlerinde R1-nj renklenmesi oluşmasına rağmen, renksiz embriyoya sahip olan tohumlar genetik olarak sadece donör bitkinin kromozomlarını taşırlar ve tek n kromozoma sahiptirler ve haploid olarak isimlendirilirler. Şekil 1.1 [5]’den esinlenilerek oluşturulmuştur ve in vivo maternal haploid melezlemesi sonucu elde edilebilinecek tohumları göstermektedir.

Şekil 1.1 In vivo maternal haploid melezlemesinden elde edilebilinecek tohumlar Şekil 1.2’de diploid ve haploid mısır tohum örnekleri gösterilmiştir. R1-nj’nin embriyo ve endospermdeki farklı ifadeleri haploid ve diploid mısır tohumlarının görsel

(16)

4

olarak sınıflandırılabilmesini sağlar. Ancak, haploidlerin R1-nj markör sistemine göre elle seçimi zaman alan, emek yoğun bir süreçtir. R1-nj renklenmesi küçük bir noktadan, tüm endospermi kapsayan renkliliğe kadar çeşitlilik gösterir. Ayrıca rengin koyuluğu da çok açıktan koyuya ve daha derine doğru değişiklik gösterir. R1-nj renklenmesindeki bu çeşitlilik elle yapılan sınıflandırmada yüksek hata oranına neden olur. Bu sebeple, haploid tohumların seçimini otomatik olarak gerçekleştirecek bir sisteme gereksinim duyulmaktadır.

(a) (b)

Şekil 1.2 (a) Haploid ve (b) diploid mısır tohumlarında R1-nj renklenmesi

Bu tez çalışmasında, haploid ve diploid mısır tohumlarının sınıflandırılması amaçlanmıştır. Çalışma kapsamında biri 413 örnekten, diğeri 3.000 örnekten oluşan iki farklı veri seti hazırlanmıştır. Veri setlerini oluşturan örneklerde tohum embriyo bölgeleri öznitelik çıkarımı yapmak üzere bölütlenmiştir. Bölütlenen embriyo bölgelerinden renk ve doku öznitelikleri çıkarılmıştır. Renk öznitelikleri olarak renk histogramları ve renk momentleri; doku özniteliği olarak gri seviyeli eş oluşum matrisi kullanılmıştır. Renk histogram öznitelik vektörleri 8, 16 ve 32 renk ölçekli gri seviye embriyo imgelerinin renk histogram değerleri kullanılarak çıkarılmıştır. Renk momentleri öznitelik vektörü RGB renk uzayında embriyo imgelerinin her renk kanalından ayrı ayrı olmak üzere ilk dört derece renk momentleri kullanılarak oluşturulmuştur. Doku öznitelik vektörü embriyo imgelerinin gri seviye eş oluşum matrisinden elde edilen enerji, homojenlik, kontrast, korelasyon ve entropi değerlerinden oluşturulmuştur. Sınıflandırıcı olarak kullanılan karar ağaçları, k-en yakın komşuluk sınıflandırıcısı, destek vektör makineleri ve yapay sinir ağları her veri

Embriyo Endosperm Endospermde R1-nj

renklenmesi

Embriyoda R1-nj renklenmesi

(17)

5

seti için beşer tane olmak üzere toplam on öznitelik vektörü ile eğitilmiştir. 10-katlı çapraz doğrulama yöntemi ile sınıflandırıcı performansları test edilmiştir. Elde edilen deney sonuçlarına göre en iyi performans, k-en yakın komşu sınıflandırma yöntemi ile renk momentleri öznitelikleri kullanılarak %90,39 doğruluk oranıyla elde edilmiştir.

Haploid tohumların otomatik seçimini gerçekleştirmeyi amaçlayan bazı pilot çalışmalara bölüm 2’de yer verilmiştir. Bölüm 3’de bu çalışma kapsamında kullanılan veri seti ve imge analizi, öznitelik çıkarımı ve seçimi ile sınıflandırma yöntemleri ve sınıflandırıcı performanslarının karşılaştırılmasında kullanılan metrikler açıklanmıştır.

Veri setleri üzerinde uygulanan yöntemlerden elde edilen deney sonuçları Bölüm 4’de verilmiştir. Bölüm 5’de deney sonuçları tartışılmış ve elde edilen sonuçlar değerlendirilmiştir.

(18)

6

2. İLİŞKİLİ ÇALIŞMALAR

Haploid ve diploid mısır tohumlarının seçimi için farklı teknikler olmakla birlikte, en yaygın ve başarılı biçimde kullanılan seçilebilir işaretleyici R1-nj renk markörüdür. R1-nj renk markörü haploid ve diploid mısır tohumlarının görsel ayrımına izin verir. Bu seçim işleminin elle yapılıyor olması, seçim başarımı azaltmakta, zaman ve emek kaybına sebep olmaktadır. Günümüzde ise imge işleme ve makine öğrenme yöntemleri kullanılarak haploid mısır tohumlarının sınıflandırma işlemi için otomatik sistemlerin geliştirilmesi amaçlanmaktadır. Otomatik sistemler hız, dayanıklılık ve doğruluk prensiplerine uygun olacak şekilde geliştirilmektedir. Bu çalışma kapsamında otomatik sistem geliştirmeye yönelik yapılan araştırma ve çalışmalardan en önemli olanlarına değinilmiştir.

Wang vd. [12] çalışmalarında, LSTM-CNN algoritmasının optimum dalga bandı seçimine dayalı, haploid ve diploid mısır tohumlarının yüksek doğruluklu bir tanımlama modelini derin öğrenme ve hiperspektral görüntüleme teknolojisi ile belirlenen optimum 1367.6-1526.4nm dalga bandında %97'ye ulaşan doğrulukla gerçekleştirilmiştir. Deneysel örnekler olarak 100 haploid ve 100 diploid olmak üzere 200 tohum kullanmışlardır. Yapılan çalışmada, önerilen modelin mısır haploid tanımada olağanüstü bir etkiye sahip olduğu ve bir dereceye kadar genelleştirilebileceği iddia edilmiştir.

Lin vd. [13] yaptıkları çalışmalarında, yakın kızıl ötesi (NIR) spektroskopi yaygın iletim (DT) teknolojisi sayesinde, mısır haploid tohumlar NIR spektrum özellikleri kullanılarak otomatik olarak seçilebileceğini söylemişlerdir. Ancak bu tür bir sistemde mısır tohumlarının NIR spektrumları, tanımlama performansını bozacak çok sayıda fazlalık ve gürültü içereceğini de belirtmişlerdir. Bu sorunun üstesinden gelmek için, toplanan spektrumları iyileştirecek bir düşük boyutlu ve tohum spektrum özelliklerinin tekdüze bir uzayını tasarlamışlardır. Sıfır-fazlı bileşen analizi (ZCA) yöntemi, özellik uzayını eşitlemek için kullanmışlar ve düşük boyut uzayını tasarlamak için kısmi en küçük kareler regresyonunu (PLSR) kullanmışlardır. Daha sonra, geri yayılma sinir ağının (BPNN) sınıflandırıcı kullanarak, mısır haploit tohumlarının seçilmesi için yüksek niteliksel bir tanımlama yöntemi geliştirilmişlerdir.

Gerçekleştirdikleri deneyler neticesinde önerilen yöntemin ortalama doğruluğunun

%96.16 civarında olduğunu öne sürmüşlerdir.

(19)

7

Song vd. [14] haploid mısır tohumlarını diploid mısır tohumlarından ayırabilen bir otomatik sınıflandırma sistemi geliştirmişlerdir. Sistemlerinde üç temel birimin olduğunu belirtmişlerdir. Tohum besleme birimi, mısır tohumlarını senkronize bant üzerinden dağıtır. Görüntü elde etme birimi, mısır tohumunun görüntülerini elde etmenin yanı sıra diploidlerin, haploid tohumlardan, embriyonun renk özelliğine göre ayrılmasını da sağlar. Ayırma ünitesi ise hava emişini kullanarak diploid tohumları seçebilen mekanik kollar ve solenoid valfler içerir. Gerçekleştirdikleri deneyler sonucunda veri seti içerisinde diploid tohumlar için tanımlama doğruluğu oranlarının

%90 üzerinde başarıldığını iddia etmektedirler.

Fuente vd. [15] VideometerLab 3 yazılımının performansını değerlendirmek, elle sınıflandırmada zorluk yaşanan farklı genotipleri sistemde test etmek ve haploid- diploid ayrımını doğrulamak için DNA işaretleme analizlerini kullanmayı amaçlamışlardır. Haploid mısır tohumlarını ayırt etmek için önerdikleri yöntemde altı kendilenmiş hat ile maternal haploid indükleyici ‘RWS / RWK-76’ ile çaprazlamış ve her bir hat için bir tohum örneğini elle ayırmışlardır. Kullandıkları veri-setinde altı kendilenmiş hat için analiz edilen 100 haploid ve 100 diploid olmak üzere toplamda 200 tohum bulunmaktadır. VideometerLab 3 sistemini kullanarak, haploidler ve diploidler arasında ayrım yapmak için spektral görüntüleme teknikleri uyguladılar.

Çalışmalarında test edilmiş tohumun haploid/diploid durumunu doğrulamak için DNA işaretleyicileri kullanarak, genotiplerin çoğunluğu için haploid tanımlamasının % 50'den fazla doğrulukla mümkün olduğunu söylemişlerdir.

Boote vd. [16] mısır tohumlarında haploid seçimi için yeni bir flüoresan bazlı yöntem, floresan mikrospektroskopi ve görüntüleme ile birlikte R1-nj renk işaretleyicisi kullanılarak geliştirmiştir. Çalışmada değişen R1-nj ekspresyonuna sahip yedi kendilenmiş hat kullanıldı. Embriyonik boya bölgesinde diploid tanelerin floresans tepkisinin aynı anda düşük yoğunluk sergilediği ve boyasız bölgeli haploid embriyoların floresanından daha yüksek bir dalga boyunda ortaya çıktığını göstermişlerdir. Yoğun örnek popülasyonlarından haploidleri ayırmak için floresan görüntülere yoğunluk ve alan eşikleri uyguladılar ve yedi doğal yolun tamamında

%80'den fazla sıralama verimliliği elde etmişlerdir. Floresan görüntülemenin tohum işleme için mevcut teknolojiler ile kombine edildiğinde yüksek sınıflandırma verimliliği ile gelecek vaat eden bir yöntem olduğunu ifade etmişlerdir.

(20)

8

Qin vd. [17] haploid mısır tohumu tanımlama kapsamında yaptıkları araştırmalarda MicroNIR-1700 serisi minyatür yakın kızılötesi spektrometre cihazını kullanmışlardır. Yakın Kızılötesi Spektroskopisi (NIRS) nitel analiz tekniklerine dayanarak, haploid mısır tohumlarını tanımlamak için yansıma ve geçirgenlik spektrumları kullanılarak karşılaştırmalı bir çalışma gerçekleştirdiklerini söylemişlerdir. Kısmi en küçük kareler-diskriminant analizi (PLS-OLDA) ön- işlemden geçirilmiş spektral verileri sıkıştırmak için kullanılmış ve daha sonra tanımlama modelleri destek vektör makinesi temel alınarak oluşturulmuştur. Ölçülen veriler yansıma ve geçirgenlik modlarında kaydedilmiş ve tanıma doğruluğu oranları hesaplanmıştır. Yürütülen deneyler neticesinde yansıma modunda alınan ölçümler için, ortalama tanıma oranı, embriyo tarafı pozisyonuna bakılmaksızın % 60 altında kaldığını, geçirkenlik modunda ise, ortalama tanıma oranı% 93,2'ye ulaştığını belirtmişlerdir. Deneylerden yola çıkarak, geçirgenlik spektrumları ile haploid mısırlarının etkili bir şekilde tanımlanabileceğini ve tohum pozisyonlarına duyarsızlaşabileceğini iddia etmişlerdir.

Zhang vd. [18] haploid tohumların manuel olarak seçiminin zor olduğunu, seçim verimliliğini düşürdüğünü ve iş, zaman tasarrufu sağlayacak yüksek doğruluğa sahip bir yöntemin gerekliliğini belirtmişlerdir. Mısır embriyosunun özelliklerinin haploid ve hibrid tohumlar arasında ayrım yapmak için önemli olduğunu vurgulamışlardır. Bu kapsamda haploid ve diploid mısır tohumlarını sınıflandırmak için embriyo üzerindeki R1-nj renk markörüne makine görmesi yöntemlerini kullanarak özellik çıkarımını yapmak yoluyla dinamik tanıma yöntemi geliştirmişlerdir. RGB renk uzayındaki B kanalının ortalama piksel değerlerini kullanarak embriyo karakteristiklerini çıkarmak için bir görüntü segmentasyon yöntemi önermişlerdir. Navajo genetik işaretçileri ile mısır tohumlarının embriyo görüntüleri çıkarmışlardır. Elde edilen embriyo bölgesindeki Navajo genetik belirteçlerini RGB renk uzayında çıkarmış ve her bir tohum için Navajo piksellerinin sayısını tespit etmek yoluyla hangi sınıflandırmaya ait olduğunu belirlenmiştir. Navajo işaretçileri ile çıkarımı yapılan mısır embriyo özelliklerini kullanan hızlı bir haploid tohumlarını tanıma algoritması geliştirdiklerini iddia etmişlerdir. Gerçekleştirdikleri deneylerde yöntemin haploid tohumları %98.04, diploid tohumları ise %94.44 oranında tanıdığını belirtmişlerdir. Ancak çok az sayıda ve ön seçim yapılmış tohum

(21)

9

kullanarak deneyleri gerçekleştirdikleri için daha fazla tohum örneklemlerinde iddia edilen başarıma ulaşma durumu belirsizdir.

Couto vd. [19] akış sitometrisi, morfolojik özellikler ve moleküler işaretçileri kullanarak haploid mısırların tanınmasına yönelik bir çalışma gerçekleştirmişlerdir.

Haploidleri akış sitometrisi ile tanımlamak ve nükleer DNA içeriğini, bunlara neden olan tohumların morfolojik ve morfometrik özellikleri ile ilişkilendirmişlerdir.

Haploidin androjenik doğasını doğrulamak için moleküler işaretçiler kullandılar. Elde edilen tohumları, kendilenmiş hat W23 ve ticari hibrid P30F90 arasındaki çaprazlamadan elde ettiler. Bu tohumlar arasından, bir grup olan embriyo beyaz ve perikarp morumsu olduğu varsayılan haploidler seçilmiştir. 330 tohumdan oluşan bu grup, tohum morfolojisi, tohum morfometrisi ve nükleer DNA içeriği temel alınarak karakterize edilmiştir. Elde ettikleri sonuçlara göre, kendilenmiş W23 hattının tropik koşullar altında bile haploid mısırları uyardığını iddia etmişlerdir. Mikrosatellit moleküler belirleyicilerin (SSR), haploidlerin androjenik özelliğini doğrulamada etkin olduğunu öne sürmüşlerdir.

Song vd. [20] çalışmalarında haploid ve diploid mısır tohumlarının özellik çıkarımı ve tanımlama yöntemi geliştirmişlerdir. Mısır taneleri, mısır haploid ıslah işleminde erkek ebeveynlerine gen işaretleyicileri ithal edildikten sonra hibrid indüksiyon ile üretilmiştir. Önerilen yöntem, mısır haploid çekirdeklerinin doğru tanımlanmasını gerçekleştirmiştir. Melez indüksiyon ile üretilen çekirdekleri araştırmışlardır. Yöntemlerinde ilk olarak, mısır tanelerini mor işaretler, sarı endosperm ve beyaz embriyo da dahil olmak üzere renk dağılımına göre üç parçaya ayırdılar. Bu üç parçadan alınan piksel örneklerinin özelliklerini renk analiz yöntemi ile çıkarmak için (𝐺 − 𝐵) ∗ 𝑅/𝐵 modelini önerdiler. Bu modelin, mor alanların etkili bir şekilde çıkarılmasını sağlayabileceğini vurgulamışlardır. Mısır tanelerinin morfolojik özellikleri ve mor işaretlerin dağılım özellikleri üzerine araştırma yaptıktan sonra, mısır haploid çekirdeklerinin basit ve hızlı bir tanımlama yöntemi oluşturduklarını iddia etmişlerdir. Deneyler sonucunda tanıma başarısının %98.07 olduğunu ve sitemlerinin dinamik test gerekliliklerini sağladığını öne sürmüşlerdir. Bu çalışmada kullanılan veri seti hakkında herhangi bir bilgi olmaması çalışmanın başarımının doğrulanması için yetersiz kalmasına neden olmaktadır.

Zhang vd. [21] BP sinir ağları kullanarak haploid mısır tohumlarının 1050-37 mısırın genetik işaretlerle araştırılması için bir görüntü bölütleme yöntemi

(22)

10

önermişlerdir. Renk özelliklerine göre, mısır tohumu görüntüleri mor alan, sarı alan ve beyaz alan olmak üzere üç renk desenine ayrılmıştır. Normalize rgb ve HSV renk uzayının farklı renk özellikleri analiz edilmiş ve mısır haploid tohumlarının etkili görüntü segmentasyonunu elde etmek için 3 katman içeren bir BP sinirsel ağ modeli oluşturmak için 7 özellik girdi parametreleri olarak seçilmiştir. Deneyler, modelin sınıflandırma doğruluklarının sırasıyla mor leke alanı için %97.61, sarı alan için%

93.34 ve beyaz alan için% 94.09 olduğunu göstermektedir. Deney sonuçlarına dayanarak BP NN tarafından elde edilen mor leke alanının, haploid çekirdeklerin ve hibrit çekirdeklerin tanımlanması için etkili ve güvenilir olduğunu söylemişlerdir.

Song vd. [22] bilgisayar görmesi yöntemlerini kullanarak haploid mısır tohumlarını seçme sistemi geliştirmişlerdir. Bu kapsamda Navajo işaretçileri ile işaretlenmiş mısır haploid çekirdekleri için bir sınıflandırma sistemi tasarlamışlardır.

Geliştirdikleri sistem bir tohum iletim ünitesi, bir görüntü elde etme ve işleme birimi, bir sınıflandırma-boşaltma birimi ve bir sistem kontrol biriminden oluşmaktadır.

Görüntü alma ve işleme birimi, haploid çekirdekleri, mısır embriyosu ve mısır endosperminin üstündeki renk özelliklerine göre mısır haploidlerini tanımlamıştır.

Geliştirdikleri sistemin diploid tohumları haploid tohumlardan hava emiş kullanarak ayırdığını ve dakikada 500 tohumluk bir sınıflandırma hızı elde ettiklerini iddia etmişlerdir.

Song vd. [23] mısır tohumlarının dinamik kalite kontrolü ve derecelendirmesini sağlayan sistemi geliştirmiş, mısır tanelerinin dört sınıfa ayrılması için morfolojik özellikler kullanmış ve mısır tanelerini üç seviyeye ayırt etmek için renk özellikleri kullanılmışlardır. Ortalama sistem derecelendirme oranları sırasıyla % 81.8 ve %93.04 olarak elde edilmiştir. Örüntü tanımaya dayalı mısır çeşitleri tanıma sistemi geliştirilmişlerdir. Sistem Nongda 80, Nongda 108, Gaoyou115, Nongda 4967 ve Bainuo 6'yı % 92' lik ortalama tanıma doğruluğu ile mısır tohumlarını ayırt etmiştir.

Bir haploid mısır tane derecelendirme sistemi geliştirilmiş, haploid mısır tohumları renk özellikleri ve örüntü tanıma teknolojisi ile tanınmıştır. İki dereceli serbestliğe sahip bir robot sistemi ile de sınıflandırma doğruluğunu %80 oranında sağladıklarını iddia etmektedirler.

(23)

11

3. MATERYAL ve YÖNTEM

Bu tez çalışmasında, in vivo maternal haploid tekniği ile elde edilen haploid ve diploid mısır tohumlarının R1-nj markör sistemine göre imge analizi ve makine öğrenme algoritmaları kullanılarak sınıflandırılması amaçlanmıştır. Çalışma kapsamında biri 2016 yılında hasat edilen 413 haploid ve diploid mısır tohumundan oluşan, diğeri 2017 yılında hasat edilen 3.000 haploid ve diploid mısır tohumundan oluşan iki farklı veri seti hazırlanmıştır. Veri setlerini oluşturan örneklerde tohum embriyo bölgeleri öznitelik çıkarımı yapmak üzere bölütlenmiştir. Bölütlenen embriyo bölgelerinden renk ve doku öznitelikleri çıkarılmıştır. Renk öznitelikleri olarak renk histogramları ve renk momentleri, doku özniteliği olarak gri seviyeli eş oluşum matrisi kullanılmıştır. Renk histogram öznitelik vektörleri 8, 16 ve 32 renk ölçekli gri seviye embriyo imgelerinin renk histogram değerleri kullanılarak ayrı ayrı öznitelik vektörü olarak çıkarılmıştır. Renk momentleri öznitelik vektörü RGB renk uzayında embriyo imgelerinin her renk kanalından ayrı ayrı olmak üzere ilk dört derece renk momentleri kullanılarak oluşturulmuştur. Doku öznitelik vektörü embriyo imgelerinin gri seviye eş oluşum matrisinden elde edilen enerji, homojenlik, kontrast, korelasyon ve entropi değerlerinden oluşturulmuştur. Sınıflandırıcı olarak kullanılan karar ağaçları, k-en yakın komşuluk sınıflandırıcısı, destek vektör makineleri ve yapay sinir ağları her veri seti için beşer tane olmak üzere toplam on öznitelik vektörü ile eğitilmiştir. 10-katlı çapraz doğruluk yöntemi ile sınıflandırıcı performansları test edilmiştir. Elde edilen deney sonuçlarına göre, en iyi performans k-en yakın komşu sınıflandırma yöntemi ile renk momentleri öznitelikleri kullanılarak %90,39 doğruluk oranıyla elde edilmiştir.

Tez çalışması kapsamında uygulanan tüm imge analizi ve sınıflandırma yöntemleri MATLAB R2016a ortamında gerçekleştirilmiştir. Yapılan çalışmaların genel akış şeması Şekil 3.1’de gösterilmiştir

KH2016, KH2017 veri

setleri Kütle merkezli

çember Renk ve doku

öznitelikleri KA, k-EK, DVM, YSA

Şekil 3.1 Yapılan çalışmaların genel akış şeması Mısır

görüntüleri Embriyo

bölütleme Öznitelik

çıkarımı Sınıflandırma

(24)

12 3.1. Veri Setleri

İlgili yayınlarda araştırmacıların [12-23] haploid ve diploid mısır tohumu ayrımı için kullandıkları veri setleri sadece yayına özel olarak ilgili araştırmacılar tarafından oluşturulmuştur. Hali hazırda bu veri setleri genel kullanıma açık olmadıkları için bu tez çalışmasında 2 ayrı veri seti oluşturulmuştur. 2016 yılında hasat edilen mısır tohumlarından oluşan veri seti KH2016, 2017 yılında hasat edilen mısır tohumlarından oluşan veri seti KH2017 olarak isimlendirilmiştir. Tez çalışması kapsamında oluşturulan veri setleri detayları ile aşağıda anlatılmaktadır.

3.1.1. Mısır tohumları

Her iki veri setini oluşturan haploid ve diploid mısır tohumları Mısır Araştırma Enstitüsü Müdürlüğünce yürütülmekte olan “Ülkesel Mısır Islah Araştırmaları”

projesi kapsamında in vivo maternal haploid indirgeme ile elde edilmiştir. Her iki veri setini oluşturan tohumların elde edilmesinde RWS, RWK-76 ve RWS x RWK-76 indirgeyici hatları kullanılmıştır. Donör olarak kullanılan F1 ve F2’ler FAO 450-700 arasında olum gruplarına, sarı atdişi ve waxy tane tiplerine sahiptir. Haploid ve diploid tohumların seçiminde R1-nj renk markörü dikkate alınmıştır. Verisetini oluşturan haploid ve diploid mısır tohumlarının seçiminde R1-nj renk geninin farklı ifadeleri olmasına (açık-koyu renk, yoğun-az renk gibi) dikkat edilmiştir.

KH2016 veri seti 87’si haploid, 326’sı diploid olmak üzere toplam 413 adet atdişi (Zea mays indentata) mısır tohumundan oluşmaktadır. Bu tohumlar, Çizelge 3.1’de listelenen 150 farklı donör genotip ile indirgeyici hatlar arasında yapılan indükleme melezlemesi sonucu elde edilmiştir.

KH2017 veri seti 1.230’si haploid, 1.770’sı diploid olmak üzere toplam 3.000 adet atdişi (Zea mays indentata) mısır tohumundan oluşmaktadır. Bu tohumlar, Çizelge 3.2’de listelenen 107 farklı donör genotip ile indirgeyici hatlar arasında yapılan indükleme melezlemesi sonucu elde edilmiştir.

(25)

13

Çizelge 3.1 KH2016 verisetinde kullanılan donör genotipler

No Donör No Donör No Donör No Donör

1 TTSM A.Ü.-1 ÇN-1 41 TTSM A.Ü.-2 ÇN-22 81 TTSM SILAJ ÇN-7 121 TTSM II. ÜRÜN-2 ÇN-8 2 TTSM A.Ü.-1 ÇN-2 42 SC SIMBA 82 TTSM SILAJ ÇN-8 122 TTSM II. ÜRÜN-2 ÇN-9 3 TTSM A.Ü.-1 ÇN-3 43 BTS 131412 83 TTSM SILAJ ÇN-9 123 TTSM II. ÜRÜN-2 ÇN-10 4 TTSM A.Ü.-1 ÇN-4 44 PAN 14-701 84 TTSM SILAJ ÇN-10 124 TTSM II. ÜRÜN-2 ÇN-11 5 TTSM A.Ü.-1 ÇN-6 45 WARNER 440C 85 TTSM SILAJ ÇN-11 125 TTSM II. ÜRÜN-2 ÇN-12 6 TTSM A.Ü.-1 ÇN-7 46 SHS 7090 86 TTSM SILAJ ÇN-12 126 TTSM II. ÜRÜN-2 ÇN-13 7 TTSM A.Ü.-1 ÇN-8 47 SHS 5050 87 TTSM II. ÜRÜN-1 ÇN-1 127 TTSM II. ÜRÜN-2 ÇN-14 8 TTSM A.Ü.-1 ÇN-9 48 ANADON 88 TTSM II. ÜRÜN-1 ÇN-2 128 TTSM II. ÜRÜN-2 ÇN-15 9 TTSM A.Ü.-1 ÇN-10 49 SEITEC 6633 89 TTSM II. ÜRÜN-1 ÇN-3 129 TTSM II. ÜRÜN-2 ÇN-16 10 TTSM A.Ü.-1 ÇN-11 50 BM 3063 90 TTSM II. ÜRÜN-1 ÇN-4 130 TTSM II. ÜRÜN-2 ÇN-17 11 TTSM A.Ü.-1 ÇN-12 51 SC TEMBO 73 91 TTSM II. ÜRÜN-1 ÇN-5 131 TTSM II. ÜRÜN-2 ÇN-18 12 TTSM A.Ü.-1 ÇN-13 52 W440C 92 TTSM II. ÜRÜN-1 ÇN-6 132 TTSM II. ÜRÜN-2 ÇN-19 13 TTSM A.Ü.-1 ÇN-14 53 W200C 93 TTSM II. ÜRÜN-1 ÇN-7 133 TTSM II. ÜRÜN-2 ÇN-20 14 TTSM A.Ü.-1 ÇN-15 54 SHS 5090 94 TTSM II. ÜRÜN-1 ÇN-8 134 TTSM II. ÜRÜN-2 ÇN-21 15 TTSM A.Ü.-1 ÇN-16 55 SEITEC 6221 95 TTSM II. ÜRÜN-1 ÇN-9 135 TTSM II. ÜRÜN-2 ÇN-22 16 TTSM A.Ü.-1 ÇN-17 56 STINE 9734 96 TTSM II. ÜRÜN-1 ÇN-10 136 TTSM II. ÜRÜN-2 ÇN-23 17 TTSM A.Ü.-1 ÇN-18 57 STINE 9633 97 TTSM II. ÜRÜN-1 ÇN-11 137 TTSM II. ÜRÜN-2 ÇN-24 18 TTSM A.Ü.-1 ÇN-19 58 SC DIMA 43 98 TTSM II. ÜRÜN-1 ÇN-12 138 TTSM II. ÜRÜN-2 ÇN-25 19 TTSM A.Ü.-1 ÇN-20 59 STINE EX 109-16-7 99 TTSM II. ÜRÜN-1 ÇN-13 139 TTSM II. ÜRÜN-2 ÇN-26 20 TTSM A.Ü.-1 ÇN-21 60 STINE 9537 100 TTSM II. ÜRÜN-1 ÇN-14 140 TTSM II. ÜRÜN-2 ÇN-27 21 TTSM A.Ü.-2 ÇN-1 61 WARNER W220C 101 TTSM II. ÜRÜN-1 ÇN-15 141 TTSM II. ÜRÜN-2 ÇN-28 22 TTSM A.Ü.-2 ÇN-2 62 STINE EX 110-16-5 102 TTSM II. ÜRÜN-1 ÇN-16 142 ANT-QPM-13 23 TTSM A.Ü.-2 ÇN-3 63 6W29 103 TTSM II. ÜRÜN-1 ÇN-17 143 ANT-QPM-14 24 TTSM A.Ü.-2 ÇN-4 64 XIANGNUO 6.9 104 TTSM II. ÜRÜN-1 ÇN-18 144 CORN BORER

COMPOSITE #1 25 TTSM A.Ü.-2 ÇN-6 65 JINNUO 628 105 TTSM II. ÜRÜN-1 ÇN-19 145 CORN BORER

COMPOSITE #2 26 TTSM A.Ü.-2 ÇN-7 66 W706 106 TTSM II. ÜRÜN-1 ÇN-20 146 CORN BORER

COMPOSITE #3 27 TTSM A.Ü.-2 ÇN-8 67 701 107 TTSM II. ÜRÜN-1 ÇN-21 147 BSCB7 28 TTSM A.Ü.-2 ÇN-9 68 JINNONG KONUAL 108 TTSM II. ÜRÜN-1 ÇN-22 148 BSCB8 29 TTSM A.Ü.-2 ÇN-10 69 6W799 109 TTSM II. ÜRÜN-1 ÇN-23 149 DKC7211 30 TTSM A.Ü.-2 ÇN-11 70 SPANISH WAXY-1 F2 110 TTSM II. ÜRÜN-1 ÇN-24 150 DKC7221 31 TTSM A.Ü.-2 ÇN-12 71 SPANISH WAXY-2 F2 111 TTSM II. ÜRÜN-1 ÇN-25

32 TTSM A.Ü.-2 ÇN-13 72 SPANISH RAW WAXY

CORN-1 112 TTSM II. ÜRÜN-1 ÇN-26 33 TTSM A.Ü.-2 ÇN-14 73 SPANISH RAW WAXY

CORN-2 113 TTSM II. ÜRÜN-1 ÇN-27 34 TTSM A.Ü.-2 ÇN-15 74 WAXY F2 114 TTSM II. ÜRÜN-2 ÇN-1 35 TTSM A.Ü.-2 ÇN-16 75 TTSM SILAJ ÇN-1 115 TTSM II. ÜRÜN-2 ÇN-2 36 TTSM A.Ü.-2 ÇN-17 76 TTSM SILAJ ÇN-2 116 TTSM II. ÜRÜN-2 ÇN-3 37 TTSM A.Ü.-2 ÇN-18 77 TTSM SILAJ ÇN-3 117 TTSM II. ÜRÜN-2 ÇN-4 38 TTSM A.Ü.-2 ÇN-19 78 TTSM SILAJ ÇN-4 118 TTSM II. ÜRÜN-2 ÇN-5 39 TTSM A.Ü.-2 ÇN-20 79 TTSM SILAJ ÇN-5 119 TTSM II. ÜRÜN-2 ÇN-6 40 TTSM A.Ü.-2 ÇN-21 80 TTSM SILAJ ÇN-6 120 TTSM II. ÜRÜN-2 ÇN-7

(26)

14

Çizelge 3.2 KH2017 verisetinde kullanılan donör genotipler

No Donör No Donör No Donör

1 TTSM A.Ü.1 ÇN-1 41 TTSM A.Ü.2 ÇN-21 81 TTSM SİLAJ ÇN-3 2 TTSM A.Ü.1 ÇN-2 42 TTSM A.Ü.2 ÇN-22 82 TTSM SİLAJ ÇN-4 3 TTSM A.Ü.1 ÇN-3 43 TTSM II.Ü.1 ÇN-1 83 TTSM SİLAJ ÇN-5 4 TTSM A.Ü.1 ÇN-4 44 TTSM II.Ü.1 ÇN-2 84 TTSM SİLAJ ÇN-6 5 TTSM A.Ü.1 ÇN-5 45 TTSM II.Ü.1 ÇN-3 85 TTSM SİLAJ ÇN-7 6 TTSM A.Ü.1 ÇN-6 46 TTSM II.Ü.1 ÇN-4 86 TTSM SİLAJ ÇN-8 7 TTSM A.Ü.1 ÇN-7 47 TTSM II.Ü.1 ÇN-5 87 TTSM SİLAJ ÇN-9 8 TTSM A.Ü.1 ÇN-8 48 TTSM II.Ü.1 ÇN-6 88 TTSM SİLAJ ÇN-11 9 TTSM A.Ü.1 ÇN-9 49 TTSM II.Ü.1 ÇN-7 89 TTSM SİLAJ ÇN-12 10 TTSM A.Ü.1 ÇN-10 50 TTSM II.Ü.1 ÇN-9 90 TTSM SİLAJ ÇN-13 11 TTSM A.Ü.1 ÇN-11 51 TTSM II.Ü.1 ÇN-10 91 TTSM SİLAJ ÇN-14 12 TTSM A.Ü.1 ÇN-12 52 TTSM II.Ü.1 ÇN-12 92 TTSM SİLAJ ÇN-15

13 TTSM A.Ü.1 ÇN-14 53 TTSM II.Ü.1 ÇN-13 93 SPANISH RAW WAXY CORN-1 14 TTSM A.Ü.1 ÇN-15 54 TTSM II.Ü.1 ÇN-14 94 SPANISH RAW WAXY CORN-2 15 TTSM A.Ü.1 ÇN-16 55 TTSM II.Ü.2 ÇN-1 95 SPANISH WAXY-1 F2

16 TTSM A.Ü.1 ÇN-17 56 TTSM II.Ü.2 ÇN-2 96 SPANISH WAXY-2 F2 17 TTSM A.Ü.1 ÇN-19 57 TTSM II.Ü.2 ÇN-3 97 WAXY CORN F2 18 TTSM A.Ü.1 ÇN-20 58 TTSM II.Ü.2 ÇN-4 98 P1429

19 TTSM A.Ü.1 ÇN-22 59 TTSM II.Ü.2 ÇN-5 99 P1570 20 TTSM A.Ü.1 ÇN-23 60 TTSM II.Ü.2 ÇN-6 100 P2088

21 TTSM A.Ü.2 ÇN-1 61 TTSM II.Ü.2 ÇN-7 101 CORNELL COLD TOL. SYN-2 22 TTSM A.Ü.2 ÇN-2 62 TTSM II.Ü.2 ÇN-8 102 CORNELL COLD TOL. SYN-3 23 TTSM A.Ü.2 ÇN-3 63 TTSM II.Ü.2 ÇN-9 103 DRK. SPA DROUGHT SYN-1 24 TTSM A.Ü.2 ÇN-4 64 TTSM II.Ü.2 ÇN-10 104 DRK. SPA DROUGHT SYN-2 25 TTSM A.Ü.2 ÇN-5 65 TTSM II.Ü.2 ÇN-11 105 DRK. SPA DROUGHT SYN-3 26 TTSM A.Ü.2 ÇN-6 66 TTSM II.Ü.2 ÇN-12 106 6100-A (WAXY)

27 TTSM A.Ü.2 ÇN-7 67 TTSM II.Ü.2 ÇN-13 107 WAXY F2 İSPANYA 28 TTSM A.Ü.2 ÇN-8 68 TTSM II.Ü.2 ÇN-14

29 TTSM A.Ü.2 ÇN-9 69 TTSM II.Ü.2 ÇN-15 30 TTSM A.Ü.2 ÇN-10 70 TTSM II.Ü.2 ÇN-16 31 TTSM A.Ü.2 ÇN-11 71 TTSM II.Ü.2 ÇN-17 32 TTSM A.Ü.2 ÇN-12 72 TTSM II.Ü.2 ÇN-18 33 TTSM A.Ü.2 ÇN-13 73 TTSM II.Ü.2 ÇN-19 34 TTSM A.Ü.2 ÇN-14 74 TTSM II.Ü.2 ÇN-20 35 TTSM A.Ü.2 ÇN-15 75 TTSM II.Ü.2 ÇN-21 36 TTSM A.Ü.2 ÇN-16 76 TTSM II.Ü.2 ÇN-22 37 TTSM A.Ü.2 ÇN-17 77 TTSM II.Ü.2 ÇN-23 38 TTSM A.Ü.2 ÇN-18 78 TTSM II.Ü.2 ÇN-24 39 TTSM A.Ü.2 ÇN-19 79 TTSM SİLAJ ÇN-1 40 TTSM A.Ü.2 ÇN-20 80 TTSM SİLAJ ÇN-2

(27)

15 3.1.2. Görüntülerin elde edilmesi

Tüm görüntülerin aynı şartlar altında elde edilmesi için bir görüntüleme düzeneği kurulmuştur. Görüntüleme düzeneğinin tavanına kamera ve ışık kaynağı olarak yeterli sayıda LED montajlanmıştır. Tüm tohumlar embriyoları yukarı bakacak pozisyonda ve birbirlerine temas etmeksizin, her görüntüde 20 tohum (4 satır, 5 sutün) olacak şekilde fotoğraflanmıştır. Görüntüleme düzeneğine ait görüntüler Şekil 3.2’de verilmiştir.

Şekil 3.2 Görüntüleme düzeneği

KH2016 veri setini oluşturan mısır tohumlarının görüntülerin elde edilmesinde Sony ILCE-6000 dijital fotoğraf makinası kullanılmıştır. Tüm görüntüler M modunda, 200 ISO, 1/125 sn enstantane, f/7,1 diyafram açıklığı, 24 mm odak uzaklığı, 18 cm kamera uzaklığında ve 4240 x 2832 piksel çözünürlükte çekilmiştir. Elde edilen ham görüntü örneği Şekil 3.3’de gösterilmiştir.

(28)

16

Şekil 3.3 KH2016 veri seti ham görüntü örneği

KH2017 veri setini oluşturan mısır tohumlarının görüntülerinin elde edilmesinde Sony SLT-A58 dijital fotoğraf makinası kullanılmıştır. Tüm görüntüler M modunda, 100 ISO, 1/125 sn enstantane, f/9 diyafram açıklığı, 150 mm odak uzaklığı, 55 cm kamera uzaklığında ve 5456 x 3632 piksel çözünürlükte çekilmiştir.

Elde edilen ham görüntü örneği Şekil 3.4’da gösterilmiştir.

Şekil 3.4 KH2017 veri seti ham görüntü örneği

(29)

17

3.1.3. Mısır tohumlarının imgeden bölütlenmesi

Bölütleme, imge içerisinde ilgi duyulan alanların imgeden ayrılması; başka bir ifadeyle bir imgeyi anlamlı bölgelere ayırma işlemidir. Mısır tohumlarının görüntüden bölütlenmesi işleminde her bir mısır tohumu toplu halde çekilen orijinal görüntüden ayrılmıştır. Görüntü bölütleme konusunda her imgeye uygulanabilecek genel bir yöntem yoktur [24]. Her problem için farklı bir bölütleme yöntemi kullanılır. Mısır tohumlarının imgeden bölütlenmesi işlemi için RGB imgenin B kanalı kullanılmıştır.

KH2016 veri seti için 190 eşik değeri, KH2017 veri seti için 150 eşik değeri ampirik olarak belirlenmiştir. Denklem (3.1)’e göre ikili görüntü elde edilmiştir. B < eşik değeri değerine sahip her piksel mısır tohumu, değilse arka plan olarak belirlenmiştir.

𝑔(𝑥, 𝑦) = {𝑚𝚤𝑠𝚤𝑟 𝑡𝑜ℎ𝑢𝑚𝑢, 𝐵 < 𝑒ş𝑖𝑘 𝑑𝑒ğ𝑒𝑟𝑖

𝑎𝑟𝑘𝑎 𝑝𝑙𝑎𝑛, 𝑑𝑒ğ𝑖𝑙𝑠𝑒 (3.1)

Elde edilen ikili görüntüye aşındırma ve doldurma morfolojik işlemleri uygulanmıştır. Mısır tohumu olarak belirlenen alanların sınır çizgisi kullanılarak her bir tohum için sınırlayıcı kutu hesaplanmış ve arkaplan temizlenmiş olarak ayrı birer imge olarak kaydedilerek bölütleme işlemi tamamlanmıştır. Yapılan işlem adımları Şekil 3.5’de gösterilmiştir.

(30)

18

Şekil 3.5 Mısır tohumlarının imgeden bölütlenmesi aşamaları.

(a)

(b)

(c)

(d)

(e)

(31)

19

KH2016 veri setine ait bölütlenmiş haploid ve diploid mısır tohumu örnekleri Şekil 3.6’da gösterilmiştir.

(a)

(b)

Şekil 3.6 KH2016 veri setine ait (a) haploid ve (b) diploid mısır tohum örnekleri KH2017 veri setine ait bölütlenmiş haploid ve diploid mısır tohumu örnekleri Şekil 3.7’da gösterilmiştir.

(a)

(b)

Şekil 3.7 KH2017 veri setine ait (a) haploid ve (b) diploid mısır tohum örnekleri 3.2. Embriyo Bölütleme

Haploid ve diploid tohumların endospermlerinde R1-nj renklenmesi gözlenmektedir. Bununla birlikte sadece diploidlerin embriyolarında R1-nj renklenmesi oluşurken, baba ebeveynin kromozomlarını taşımadığı için haploidlerin embriyolarında renklenme oluşmamaktadır. Bu sebeple sadece embriyo renklenmelerine bakılarak tohumlar haploid ve diploid olarak sınıflandırılabilinir.

(32)

20

In vivo maternal haploid melezleme sonucunda elde edilen hem embriyosunda hem de endosperminde renklenme gözlenmeyen tohumlar melez dışı kabul edilmektedir. Bu tohumların kontamine olduğu varsayılır. Sadece embriyo renklenmesine bakılarak yapılacak bir sınıflandırmada melez dışı tohumlarında haploid olarak sınıflandırılacağı açıktır. Bu tez çalışmasında haploid ve diploid mısır tohumlarının sınıflandırılması için sadece tohum embriyosundan özniteliklerin çıkarılmış, melez dışı tohumlar göz ardı edilmiştir. Melez dışı tohumların göz ardı edilmesinin nedeni hem melez dışı tohumların çok düşük bir frekansta olmaları nedeniyle kabul edilebilir bir hataya sebep olacakları, hem de embriyo yukarı pozisyonda renklenme gözlenmeyen ancak gerçekte haploid olan tohumların kaybedilmemesi içindir. R1-nj renklenmesi küçük bir noktadan, tüm endospermi kapsayan renkliliğe kadar çeşitlilik gösterir. Renklenme Şekil 3.8’de gösterildiği gibi imgede görülmeyen bir yerde (tepedeki çukurda veya tohum sırtında) olabilir. Bu tez çalışmasında, söz konusu renklenme gösteren haploid mısır tohumlarının kaybedilmemesi için tüm mısırlar embriyolarına bakılarak, sadece haploid ve diploid olarak sınıflandırılmıştır.

Şekil 3.8 Endospermde R1-nj renklenmesi

Bu tez çalışmasında söz konusu embriyo bölütleme işlemini gerçekleştirmek için Chu vd. [25] tarafından önerilen yöntem kullanılmıştır. Bu yönteme göre embriyonun tohum kütle merkezini kapsadığı varsayılır ve tohum kütle merkezli bir çemberin embriyoyu temsil edeceği kabul edilir.

(33)

21

Chu vd. [25] küflenmiş mısır tohumlarını sağlıklı mısır tohumlarından ayırmak için önerdikleri yöntemde merkezi tohumun kütle merkezi ve çapı embriyo genişliği kadar olan bir çember ile embriyo bölgesinin temsil edilebileceğini belirtmişlerdir.

Embriyo ve endosperm bölgelerinin tespiti için bu yöntem kullanılmıştır. Denklem (3.1) kullanılarak oluşturulan ikili görüntüden, Denklem (3.2) kullanılarak tohum kütle merkezi hesaplanmıştır.

𝑦₀ =∑ 𝑦𝑔(𝑥, 𝑦)

∑ 𝑔(𝑥, 𝑦)

𝑥₀ = ∑ 𝑥𝑔(𝑥, 𝑦)

∑ 𝑔(𝑥, 𝑦)

(3.2)

KH2016 veri seti içerisinde rastgele seçilen 80 mısır tohumunda yapılan ölçümlerde istatistiksel olarak 35 piksel yarıçaplı çemberin embriyoyu iyi temsil ettiği tespit edilmiştir. KH2017 veri seti içerisinde rastgele seçilen 80 mısır tohumunda yapılan ölçümlerde istatistiksel olarak 50 piksel yarıçaplı çemberin embriyoyu iyi temsil ettiği tespit edilmiştir. Hesaplanan çemberin içi embriyo, dışı endosperm olarak kabul edilmiştir. Şekil 3.9’de diploid mısır tohum örneğinde tohum kütle merkezi ve öznitelik çıkarımı yapılan bölge gösterilmiştir.

Şekil 3.9 Tohum kütle merkezi ve öznitelik çıkarımı yapılan bölge

3.3. Öznitelik Çıkarımı

Eğitmenli makine öğrenmesinde sınıflandırma yapabilmek için ham veriden (imge) sınıflandırıcılar tarafından kullanılacak anlamsal sayısal değerlerin türetilmesi işlemine öznitelik çıkarımı denilmektedir. Makine öğrenimi alanında kullanılan

(34)

22

öznitelik çıkarımı, girdi olarak verilen ölçülmüş verileri kullanarak türetilmiş değerler oluşturur. Özellik çıkarımı işlemi bir boyut azaltma işlemidir. Öznitelik çıkarımı sonucunda elde edilen özniteliklerin karşılığını tutan veri yapısına öznitelik vektörü denilmektedir. Öznitelik vektörleri kullanılarak sınıflandırıcılar eğitilir ve sınıf etiketini bilmedikleri örnekler için başarılı bir sınıf tahmini yapmaları beklenir.

Bu tez çalışmasında, her bir veri seti için beş farklı öznitelik vektörü çıkarılmıştır. Bölütlenen embriyo bölgelerinden renk ve doku öznitelikleri çıkarılmıştır. Renk öznitelikleri olarak renk histogramları ve renk momentleri, doku özniteliği olarak gri seviyeli eş oluşum matrisi kullanılmıştır. Renk histogram öznitelik vektörleri 8, 16 ve 32 renk ölçekli gri seviye embriyo imgelerinin renk histogram değerleri ayrı ayrı öznitelik vektörü olarak kullanılmıştır. Renk momentleri öznitelik vektörü RGB renk uzayında embriyo imgelerinin her renk kanalından ayrı ayrı olmak üzere ilk dört derece renk momentleri ortalama, standart sapma, çarpıklık ve basıklık kullanılarak oluşturulmuştur. Doku öznitelik vektörü embriyo imgelerinin gri seviye eş oluşum matrisinden elde edilen enerji, homojenlik, kontrast, korelasyon ve entropi değerlerinden oluşturulmuştur.

3.3.1. Renk histogramları

Renk histogramları bir imgede renk öznitelikleri çıkarmak için yaygın olarak kullanılan bir tekniktir [26, 27]. Renk histogramları kolay hesaplanabilir, döndürme ve çevirme gibi imgedeki değişikliklerden etkilenmez ve imgenin renk dağılımını etkili bir şekilde temsil eder [28–30].

Bu tez çalışmasında bölütlenen embriyo bölgesi 8, 16 ve 32 renk ölçekli gri seviyeli imgeye dönüştürülmüş ve elde edilen renk histogramları öznitelik vektörü olarak kullanılmıştır. Şekil 3.10’da örnek bir diploid mısır tohumundan bölütlenen embriyo bölgesinin 32 renk ölçekli gri seviye renk histogramı gösterilmiştir.

(35)

23

Şekil 3.10 Diploid tohum örneğinde öznitelik çıkartılan bölge ve renk histogramı

Şekil 311’de haploid mısır tohum örneğinde bölütlenen embriyo bölgesinin 32 renk ölçekli gri seviye renk histogramı gösterilmiştir.

Şekil 3.11 Haploid tohum örneğinde öznitelik çıkartılan bölge ve renk histogramı

(36)

24

Çizelge 3.3 ve Çizelge 3.4’de KH2016 ve KH2017 veri setleri için 8 renk ölçekli gri seviye renk histogram özniteliklerinin haploid ve diploid sınıflarına göre aldıkları en küçük, en büyük, ortalama ve standart sapma değerleri verilmiştir.

Çizelge 3.3 KH2016 veri seti 8 renk ölçekli gri seviye renk histogram özniteliklerinin aldığı değerler

Öznitelikler Haploid sınıfı Diploid sınıfı

EK EB Ort SD EK EB Ort SD

Renk1 0 0 0 0 0 561 3,29 35,82

Renk2 0 158 1,82 16,94 0 2685 63,61 260,12

Renk3 0 264 3,70 28,91 0 2617 215,49 476,37

Renk4 0 522 11,18 64,76 0 2710 600,07 693,93

Renk5 0 1562 206,44 361,62 0 2740 930,90 731,25 Renk6 78 2821 2005,32 742,03 0 2819 908,69 938,14

Renk7 0 2743 592,54 784,63 0 2261 98,95 301,26

Renk8 0 0 0 0 0 0 0 0

EK: En küçük değer, EB: En büyük değer, Ort: Ortalama, SD: Standart sapma

Çizelge 3.4 KH2017 veri seti 8 renk ölçekli gri seviye renk histogram özniteliklerinin aldığı değerler

Öznitelikler Haploid sınıfı Diploid sınıfı

EK EB Ort SD EK EB Ort SD

Renk1 0 0 0 0 0 63 0,04 1,50

Renk2 0 10 0,01 0,29 0 2116 7,23 88,67

Renk3 0 1594 4,29 76,84 0 6562 189,08 721,96

Renk4 0 7613 51,54 410,23 0 7845 1242,05 1848,24

Renk5 0 7845 2039,47 2535,22 0 7845 4198,99 2211,86

Renk6 0 7845 5749,69 2606,82 0 7845 2207,62 2393,01

Renk7 0 0 0 0 0 0 0 0

Renk8 0 0 0 0 0 0 0 0

EK: En küçük değer, EB: En büyük değer, Ort: Ortalama, SD: Standart sapma

Çizelge 3.5 ve Çizelge 3.6’da KH2016 ve KH2017 veri setleri için 16 renk ölçekli gri seviye renk histogram özniteliklerinin haploid ve diploid sınıflarına göre aldıkları en küçük, en büyük, ortalama ve standart sapma değerleri verilmiştir.